详情

原文传递农产品品质分析方法及装置

专利名称：	农产品品质分析方法及装置
摘要：	本发明提供一种农产品品质分析方法及装置。所述农产品品质分析方法包括：获取光谱数据并测定参考值数据；数据分为校正集和外部验证集；采用复合变量选择算法结合蒙特卡洛采样方法选择关键变量；基于所选变量建立数学模型并采用外部验证集做盲样验证。基于上述方法研制基于数字光处理内核农产品品质分析装置，包括光学系统、控制系统、电路系统和数据存储与处理系统。该装置将光学系统所采集数据进行存储，根据变量选择结果提取关键变量数据，调用数学模型针对待测样品做基于关键变量的数据运算，得到品质数据，并根据品质数据进行分析/分级。本发明可大幅精简光谱数据信息并提高分析仪器工作效率，为农产品品质无损快速精准分级等提供技术参考。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京农业质量标准与检测技术研究中心
发明人：	王冬;韩平;张鹤冬;贾文珅;罗娜;王卉;马智宏
专利状态：	有效
申请日期：	2019-01-22T00:00:00+0800
发布日期：	2019-06-04T00:00:00+0800
申请号：	CN201910058014.1
公开号：	CN109839358A
代理机构：	北京路浩知识产权代理有限公司
代理人：	王文君;黄爽
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	100097 北京市海淀区曙光花园中路9号北京市农林科学院种质楼1011室
主权项：	1.农产品品质分析方法，其特征在于，包括以下步骤： A、根据测试的农产品，至少选择一个与该农产品品质相关的指标作为分析对象，且该指标可通过光谱分析获得； B、获取农产品的光谱数据，并基于步骤A所选指标，测定与该指标相关的参考值数据；剔除异常值后，将数据分为校正集和外部验证集，所述校正集用于农产品品质分析和/或分级变量的筛选以及数学模型的建立，所述外部验证集不参与数学模型建立及分析和/或分级变量筛选，而是用于对所建数学模型进行盲样验证； C、采用复合变量选择算法结合蒙特卡洛采样方法筛选出农产品品质分析和/或分级关键变量，然后基于所选关键变量建立数学模型，并采用外部验证集对所建数学模型进行盲样验证； D、对步骤C所建数学模型进行评价，判定模型的有效性； E、在相同实验条件下，采集待测农产品的光谱数据，利用步骤D获得的有效数学模型，进行基于步骤C筛选所得的所述农产品品质分析和/或分级关键变量的数据运算，根据运算结果实现对待测农产品品质的分析和/或分级；其中，步骤E所述待测农产品与步骤A、B中所述的农产品为同一种类的农产品，步骤E所述农产品品质与步骤A、B中所述农产品品质为相同的农产品品质。 2.根据权利要求1所述的方法，其特征在于，步骤C所述复合变量选择算法包括UVE算法和/或CARS算法，以及所述两种算法的相互结合。 3.根据权利要求2所述的方法，其特征在于，步骤C进一步包括以下子步骤： C1、按照蒙特卡洛采样方法从步骤B的校正集光谱数据中随机生成用于农产品品质分析和/或分级的包含全部变量的样本序号，以蒙特卡洛次数为行，单次抽样样本序号为列将全部抽样的样本序号组成蒙特卡洛抽样序号矩阵； C2、根据步骤C1所生成的包含全部变量的样本序号，以一行为单位，进行第一轮筛选：基于UVE算法对各变量贡献率从大到小排序，按照UVE算法的截断阈值与全部变量数目的乘积作为第一轮筛选所得到的农产品品质分析和/或分级变量个数； C3、对步骤C2筛选所得到的农产品品质分析和/或分级变量进行第二轮筛选：以步骤C2所述的第一轮筛选所得变量为输入变量，基于CARS算法对各变量权重值从大到小排序，按照CARS算法的截断阈值与第一轮筛选所得到的农产品品质分析和/或分级的变量数目的乘积作为第二轮筛选所得到的农产品品质分析和/或分级的关键变量个数； C4、重复步骤C2、C3，直至完成步骤C1所述蒙特卡洛抽样序号矩阵的全部行，将根据蒙特卡洛抽样序号矩阵每一行经过步骤C2、C3的两轮筛选所得到的每一组筛选关键变量进行频次统计分析。 4.根据权利要求1所述的方法，其特征在于，所述光谱数据选自紫外、可见、近红外、中红外、荧光或太赫兹光谱数据，光谱数据的表现形式为吸收谱、吸收系数谱、透射谱、折射率谱或反射谱；所述数学模型采用回归算法建立，所述回归算法选自多元线性回归、主成分回归、偏最小二乘回归、前向偏最小二乘回归、后向偏最小二乘回归或留一法全交互验证偏最小二乘回归算法，优选留一法全交互验证偏最小二乘回归算法。 5.根据权利要求1-4任一项所述的方法，其特征在于，所述农产品包括水果，优选地，所述水果为樱桃。 6.根据权利要求5所述的方法，其特征在于，所述农产品为樱桃，与樱桃品质相关的指标为可溶性固形物含量，即糖度值；步骤B中剔除异常值采用预建模残差作为异常值判定标准，预建模残差阈值设定为2.0～3.0，优选2.3～2.7；步骤B中采用SPXY算法对数据进行分集，优选地，所述校正集与验证集的样本容量比为7～3:1。 7.根据权利要求6所述的方法，其特征在于，步骤C1中蒙特卡洛采样方法采样的次数为90～120次，优选96～104次；所述UVE算法的截断阈值为0.50～0.70，优选0.61～0.63；所述CARS算法的截断阈值为0.10～0.15，优选0.112～0.114。 8.根据权利要求6所述的方法，其特征在于，步骤D中采用模型综合指数PF作为所建数学模型的评价参数，PF的计算公式如式(1)所示：式(1)中，R2为模型测定系数，RMSE为模型均方根误差，A为测试对象系数，C为测试对象参数； A为1.0～10.0，优选2.0～6.0； C为-0.5～0.5，优选-0.2～0.2； R2的计算公式如式(2)所示：式(2)中，yi为所对应样本集中的第i个样品的农产品品质指标的参考值，yip为所对应样本集中的第i个样品的农产品品质指标的预测值，ym为所对应样本集中的全部样本农产品品质指标的平均值，n为所对应样本集的样本容量； RMSE的计算公式如式(3)所示：式(3)中，yi为所对应样本集中的第i个样品的农产品品质指标的参考值，yip为所对应样本集中的第i个样品的农产品品质指标的预测值，n为所对应样本集的样本容量；模型判定标准如下：若PF≥判别阈值eps，判定所建模型有效，若PF＜判别阈值eps，判定所建模型无效；其中，所述判别阈值eps为-0.5～0.5，优选-0.2～0.2。 9.用于实现权利要求1-8任一项所述农产品品质分析方法的装置，其特征在于，所述装置包括光学系统、控制系统、电路系统以及数据存储与处理系统；所述光学系统用于对样品光谱数据的采集；所述电路系统用于对装置进行稳定供电；所述控制系统用于对装置的工作过程进行控制；所述数据存储与处理系统用于数据存储、数学模型调用、结果预测、存储与输出。 10.权利要求1-8任一项所述方法或权利要求9所述装置在农产品品质无损快速精准分析和/或分级中的应用。
所属类别：	发明专利